墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
5.4k累计阅读
5.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
以下是我整理出来的相关问题，有不详细的地方多多理解
此处的url是指向后台php处理相关逻辑
说明：如果上传的url接参数的话，将此js文件直接放到静态页面中，拼接url传递
以下展示的是后台处理的相关代码展示：
提示：如果上传的中文文件名是乱码的话，move_uploaded_file($_FILES['fileList']['tmp_name'], iconv("UTF-8","gb2312", $dir . $files_name));红色标记进行转换
关于此插件上传中文文件名是报错的问题：找到项目中的zyFile.js, 大约在175行左右：
将
改为
即将file.name加上双引号即可,有时候未生效可能是浏览器缓存问题，记得清除缓存。本人就栽在这上面
插件链接：http://pan.baidu.com/s/1hrJVGpe 密码：lckw
zyUpload(上传图片和视频)
利用zyUpload插件实现拖动上传文件、图片、视频功能，使用方便，注释详细。
zyupload组件上传文件
zyupload组件上传文件及其方便，简单易学！
zyUpload.js多图上传
喜欢前端的道友们，可以学习下，前端子库有许多，但是原生js是老本
zyUpload的应用
zyUpload 是一个界面绝佳、体验超棒的 HTML5 上传插件，在网上随便就可以下载到。 使用zyupload插件的时候，只需要注意替换js中的 URL 路径，就是后台给的接口地址。 同时要把代码放在后台的路径中，这样才能运行。 1、首先下载demo（点击下载） 2、确保php环境在5.3以上。 3...
zyupload小插件
大家再做项目时，肯定都会碰到文件上传，图片上传等上传技术，而在网上的各种上传技术插件数不胜数，而zyupload复制粘贴即用，并且界面优美，功能强大，谁用谁知道。
从零搭建Python接口自动化测试框架：pytest+requests+Allure实战指南
接口自动化测试是现代软件工程中保障交付质量、提升测试效率的核心实践。其基本原理是通过脚本模拟客户端请求，对服务端接口进行自动化的功能验证、性能探测与回归测试，从而替代重复的手工操作。在技术实现上，Python凭借其简洁语法和丰富的生态，成为构建此类框架的主流选择，其中pytest测试框架、requests HTTP库和Allure报告工具构成了技术栈的黄金组合。这套技术方案的价值在于，它能将测试用例数据（如YAML文件）与执行逻辑分离，实现数据驱动测试，并通过持续集成（如Jenkins）无缝融入DevOps
zyUpload界面绝佳、体验超棒的HTML5上传插件
一、为毛线开发它 经过了两个星期做出了两个基于HTML5的多文件上传插件，之前在做网站的时候用到文件上传这一个功能，但是大多说都是基于Flash的，正好最近HTML5很火，而且渐渐壮大起来，感觉搞前端的不会个HTML5不像是做前端的，所以就萌生了自己写一个多文件并且支持拖拽预览的插件。 二、大概思路 此插件我分了两层： 核心层zyFile：这一层只负责对文件的操作、上传，...
从仿真到现实：BeamDojo双足机器人项目实战指南（附完整配置清单）
本文提供了一份基于BeamDojo项目的双足机器人从仿真训练到现实部署的完整实战指南。详细拆解了硬件选型（如宇树G1、Jetson Orin NX、Livox Mid-360）、Isaac Gym仿真环境搭建、强化学习训练技巧（如双评论家架构、课程学习）以及关键的Sim2Real迁移策略，旨在帮助开发者将前沿研究成果转化为可落地的工程实践。
php移动端多图上传插件,html5多图上传插件 支持拖拽- zyUpload
此插件的服务端保存方法的代码为php，演示不保存文件。头部引用css和js脚本放置按钮zyFile示例js调用demo$(function(){// 初始化插件$("#demo").zyUpload({width : "650px", // 宽度height : "400px", //...
HALCON基于描述符的模板匹配（未标定）
HALCON基于不标定描述符的模板匹配
Hi3516CV610开发板ISP调优实战——从在线调试到参数固化部署全流程
本文详细介绍了Hi3516CV610开发板ISP参数从在线调试到固化部署的全流程。针对调试参数重启丢失的痛点，重点解析了如何从PQTools安全导出参数、进行格式转换与适配，并通过烧录工具或系统更新两种路径将参数永久固化至Flash。最后提供了双重验证与常见问题排查方法，确保调优效果在产品中稳定生效。
文件批量上传和打包下载
1、因为是上传多个文件所以用的是个插件zyupload插件 2、需要引入的插件如下所示； 3、页面相关信息如下图所示:4、数据库中的相关信息如下所示: 5、后台的相关代码如下所示:package action; import java.io.File; import java.io.IOException; import java.io.InputStream; import java.i
从零到一：FAST_LIO与FAST_LIO2算法环境搭建与实战评测
本文详细介绍了FAST_LIO与FAST_LIO2算法的环境搭建与实战评测，包括算法原理、环境配置避坑指南、源码编译技巧及性能对比。FAST_LIO2凭借ikd-tree数据结构在动态环境中表现优异，处理速度提升至15ms，内存占用降低40%。文章还提供了常见问题排查和进阶优化技巧，助力开发者高效实现SLAM应用。
前端JS特效第50集：zyupload图片上传
zyupload图片上传
多模态情感识别（MER）数据集实战指南：从IEMOCAP到应用落地
本文提供了多模态情感识别（MER）从数据集到应用落地的完整实战指南。以经典IEMOCAP数据集为例，详细讲解了音频、视觉、文本等多模态数据的预处理、特征提取与融合技术，并分享了模型训练调优心得及面向智能客服、在线教育等场景的部署考量，帮助开发者快速构建高效可用的MER系统。
详解【异质图卷积网络 RGCN】回顾：图神经网络问题的三大处理步骤 | 从起源说起，RGCN核心公式解释，两种降低模型参数量/优化的方式，附核心代码实现讲解
本篇，我们深入分析和学习RGCN的原理以及为何要这么做。首先让我们来回顾对于图神经网络问题的三大处理步骤，可以说，这是该深度学习模型的基本理解，后续都是在深化其中的细节处理。然后以容易理解的方式，引出异质图卷积网络RGCN的由来，主要讲解其核心公式和论文中作者所提出的两种降低模型参数量/优化的处理办法，并给出基础分解以及块对角分解的核心实现代码讲解。最后附上RGCN源代码及说明。
文件的读写基本操作
一、文件是计算机中数据持久化存储的表现形式 读写文件标准操作格式1： 1、打开文件：file1 = open('文件名','读写模式') 2、操作文件 3、关闭文件：file1.close() 文件操作完毕后必须关闭，否则长期保持对文件的连接状态，造成内存溢出的现象发生 读写文件操作格式2： # 1、打开文件 file1 = open('demo.txt','w') # 2、操作文件 file1.write('hello world') # 3、关闭文件 file1.close() 1、打开文件：wi
OpenClaw插件开发指南：扩展AI智能体的无限可能
OpenClaw插件开发指南介绍了如何扩展AI智能体的功能。该插件系统支持多种类型（功能、集成、工具、界面、工作流插件），具有模块化、低耦合等优势。开发环境需要安装SDK和工具包，通过plugin.json配置插件信息，主文件实现核心功能。API提供智能体管理、任务执行等接口，示例演示了文本处理插件的创建流程。开发者可基于此框架灵活扩展OpenClaw的能力。
zyUpload+struct2完成文件上传
前言： 最近在写自己的博客网站，算是强化一下自己对s2sh框架的理解。期间遇到了很多问题，这些问题在写之前都考虑过，感觉也就是那样吧。但正真遇到了，也挺让人难受的。就利用zyUpload这个js插件实现文件的上传， 我来谈一谈。 zyUpload下载： https://github.com/hjzgg/zyUpload，或者可以在网上，随便就可以下载到，只不过提供的网址中...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
zyupload 进行源码改造 上传图片限制一张
zyupload 进行源码改造 上传图片限制一张
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
zyupload php,zyupload四种不同的上传PHP版
插件描述：PHP支持拖拽和裁剪的一款上传插件：zyupload。在js里面可以自定义高度和宽度，类型，远程上传地址等。zyupload上传基本配置$("#zyupload").zyUpload({width:"650px",//宽度height:"400px",//宽度itemWidth:"140px",//文件项的宽度itemHeight:"115px",//文件项的高度...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
zyupload php,zyUpload 使用方法也很简单： 1、除了index.html文件，其他的一一对应上传到你的网页目录下 2 Picture Viewer 图片显示 240万源代码下载- ...
文件名称: zyUpload下载 收藏√ [5 4 3 2 1]开发工具: PHP文件大小: 313 KB上传时间: 2015-06-18下载次数: 0提 供 者: 路迪详细说明：使用方法也很简单：1、除了index.html文件，其他的一一对应上传到你的网页目录下2、在将index.html中的html以及js引入到你的网页中即可-php zyupload文件列表(点击判断是否您...
SSH框架，zyupload插件文件异步上传
一、导入zyupload所需js、css、jquery等配置文件二、关键代码1、html 前端首先在<script></script>内初始化插件：$("#zyupload").zyUpload({ width: "650px", // 宽度 height: "auto", // 宽度 ...
zyupload上传实例
页面： <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>zyupload上传实例</title> <link rel="stylesheet" href="lib/jq-module/zyupload/zyupload-1.0.0.min.css" media="all"> </head> <
zyupload解决重名问题BUG
zyupload这个html控件，虽然用起来还 可以，但同一个名字的文件上传几次就会导致上传失败的问题，我已修改，欢迎下载使用。 zyupload这个html控件，虽然用起来还 可以，但同一个名字的文件上传几次就会导致上传失败的问题，我已修改，欢迎下载使用。 zyupload这个html控件，虽然用起来还 可以，但同一个名字的文件上传几次就会导致上传失败的问题，我已修改，欢迎下载使...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1647
扫一扫
